基于深度学习模型的无线传感器网络数据融合算法*
2014-09-06邱立达刘天键黄章超
传感技术学报 2014年12期
邱立达,刘天键,林 南,黄章超
(1.闽江学院物理学与电子信息工程系,福州 350108;2.厦门理工学院光电与通信工程学院,福建 厦门 361024)
基于深度学习模型的无线传感器网络数据融合算法*
邱立达1*,刘天键1,林 南1,黄章超2
(1.闽江学院物理学与电子信息工程系,福州 350108;2.厦门理工学院光电与通信工程学院,福建 厦门 361024)
为了在无线传感器网络中提高数据融合性能,基于深度学习模型,提出一种将层叠自动编码器(SAE)和分簇协议相结合的数据融合算法SAEMDA,该算法在各个簇内构建特征提取分类模型SAEM,通过SAEM对节点数据进行特征提取和分类,之后将同类特征融合并发送给汇聚节点。SAEM的训练既可以采用离线有监督学习也可以采用在线无监督学习。仿真实验表明:和BPFDA,SOFMDA算法相比,SAEMDA在网络能耗大致相当的情况下能将数据融合正确率提高最多7.5%。
无线传感器网络;数据融合;深度学习;自动编码器
1 相关工作
无线传感器网络(WSN)数据融合技术能有效去除数据冗余性,减少通信开销从而降低能耗,延长网络寿命,因此成为WSN中的重要研究课题之一。目前已提出了多种WSN数据融合方法,如文献[1]使用遗传算法寻找传感器数据融合节点序列的最优路径,有效减少了网络能耗和传输延时,但未解决数据本身的冗余性问题。文献[2]通过在分簇结构的簇首中对节点数据进行PCA降维达到数据融合的目的,其缺点是簇首需周期性的对所有数据进行PCA运算,开销大,实时性差且PCA的非线性映射能力不佳。……
登录APP查看全文
